立即扫码
享受一对一服务
为什么组织需要可靠的数据治理策略
发布时间：2019.01.17来源：数据治理浏览量：186次标签：数据治理
当我在1983年开始担任数据库管理员时，一切都与技术的集中化有关。数据安全地存储在企业大型机上，只有具备导航预处理数据库技能的程序员才能访问它。差不多四十年后，所有这些都与数据民主化和强大的数据治理战略的需求有关。
在当天，业务分析师必须与IT部门联手，因为他们不知道如何导航信息管理系统数据库，即使他们可以也不会被授予访问权限。IT部门打印出月度报告并分发它们，就像摩西从石头上下山一样。
在当天，业务分析师必须与IT部门联手，因为他们不知道如何导航信息管理系统数据库，即使他们可以也不会被授予访问权限。IT部门打印出月度报告并分发它们，就像摩西从石头上下山一样。
随着个人计算机的出现，权力的平衡从根本上发生了变化。突然之间，商人可以访问电子表格，并可以创建自己的计算和分析，即使数据仍然大部分无法触及。然后是客户端/服务器计算和急于分散数据，带来了新的可能性，但也因为不同部门使用不同版本的数据而产生混淆。分析师争论谁的版本是正确的。分析现在可以由业务分析师完成，但未就数据源的合法性达成一致，随之而来的是混乱。
数据治理的曙光
IT部门使用数据仓库进行响应，数据仓库会在断开连接的交易系统中收集数据，仅用于分析。出现了聪明的报告工具，可以更容易地操作，加入和汇总原始交易表，甚至可以将它们下载到电子表格中。当然，原始数据仍然存储在不同的应用程序和格式中，但只要付出足够的努力，就可以诱使数据仓库理解所有这些，提供客户，产品，资产和位置等维度。但是，要实际生成一致的客户和产品列表，必须解决底层系统的不一致问题。
IT部门使用数据仓库进行响应，数据仓库会在断开连接的交易系统中收集数据，仅用于分析。出现了聪明的报告工具，可以更容易地操作，加入和汇总原始交易表，甚至可以将它们下载到电子表格中。当然，原始数据仍然存储在不同的应用程序和格式中，但只要付出足够的努力，就可以诱使数据仓库理解所有这些，提供客户，产品，资产和位置等维度。但是，要实际生成一致的客户和产品列表，必须解决底层系统的不一致问题。
主数据管理（MDM）诞生了，与此同时，还需要数据治理策略。鼓励或哄骗业务用户决定哪些客户和产品的分类是“黄金记录”，要在整个企业中高举，哪些将被投入到部门特定的本地术语的荒野中。这是一个经常激烈的过程，不同的部门争论哪个是分类数据的最佳方式。一些公司文化比其他文化更适合这种方法。高度集中的公司习惯于从高度但分散的方式决定结构，并且努力保持在数据治理结构中。这些公司的分析师认为自己是自由战士，而中央办公室的分析人员则认为他们是数据恐怖分子。
很明显，至少在很多公司中，自由战士现在方兴未艾。这标志着数据准备工具的市场不断增长。这些产品能够访问来自各种来源的数据，包括传统数据库，应用程序包，Excel或企业防火墙外的应用程序。它们支持一些数据质量技术，例如分析，并使业务用户能够设置数据转换，并通过可重复的工作流程自动执行此类提取，数据清理和转换。这些工具拥有自己的分析工具，或者可以调用最新的可视化和数据挖掘产品，使分析师能够根据自己的内容处理数据。
如果企业数据仓库和MDM正在开展工作，那么这样的市场就不会存在。数据准备，质量检查和转换正是准备将数据输入数据仓库的准备。麻烦的是公司数据仓库已超出其自然限制。数据现在来自各种各样的来源 - 其中许多来自企业之外 - 并且在这样的数量中，传统的数据管理方法正在崩溃。
电子商务系统可以生成如此大小的网络流量日志，使得普通数据库不能处理该处理。车辆和机械上的传感器现在产生大量的流数据：波音787每次飞行产生几乎1TB的数据。在其他行业中也是如此，汽车，家庭智能电表甚至道路上的传感器都会产生大量数据进行分析。所有这些都是传统企业数据以及来自业务合作伙伴和数据经纪人的数据的补充。有了这么多数据，谁有时间参加会议讨论不同客户分类层次结构的优点？
掌握数据管理
公司需要以某种方式收回对这种快速流动的数据流的控制，如果他们要理解它的话。如果没有办法深入了解并深入了解数据湖泊，数据湖泊将成为数据沼泽。数据治理策略可能不是一个性感的主题，但它是需要发生的事情的核心。那些使用新工具构建自己的提取和转换的分析师需要帮助决定如何管理数据，因为如果你不能就底层数据是否值得信任达成一致，所有漂亮的图表和AI工具都没有任何意义。
公司需要以某种方式收回对这种快速流动的数据流的控制，如果他们要理解它的话。如果没有办法深入了解并深入了解数据湖泊，数据湖泊将成为数据沼泽。数据治理策略可能不是一个性感的主题，但它是需要发生的事情的核心。那些使用新工具构建自己的提取和转换的分析师需要帮助决定如何管理数据，因为如果你不能就底层数据是否值得信任达成一致，所有漂亮的图表和AI工具都没有任何意义。
在没有某种结构的情况下，我们将回到过去，分析师互相交换图表并争论谁的数据是正确的。将数据精灵放回瓶子中将是困难的并且需要纪律，但是在所有太多的组织中，事情现在感觉混乱而不是管理。它不是要从高层实施规则，而是要在整个组织层面嵌入分析和数据管理规程。否则，有价值的商业见解可能会被忽视，竞争优势也会丧失。
一个2018麦肯锡的报告忽视高绩效的公司也比两倍，可能有一个强大的数据治理策略和可能有一个清晰和易于理解的数据整体战略的两倍多。同一份报告认为，表现优异的人与包装之间的差距正在迅速扩大。如果您要利用分析并获得业务优势，时间至关重要。
（部分内容来源网络，如有侵权请联系删除）
立即免费申请产品试用
免费试用
相关文章推荐
-
侃侃什么是数据资产管理，数据资产到底是什么
近几年来，“数据就是资产”的观念已成为共识，大家对数据价值的重视程度与日俱增，数据资产管理也已被众多企业提上日程……查看详情发布时间：2020.08.19来源：微信浏览量：201次
-
2019年的数据治理趋势
2018年十月，DATAVERSITY ®发布报告趋势数据治理和数据管理，这是基于对囊括主要来自信息和数据治理专家，数据和信息架构师，以……查看详情发布时间：2019.02.20来源：亿信华辰浏览量：191次
-
企业数据标准管理系统应该这样做！
提到“标准”二字，我们第一时间能够想到的就是一系列的标准化文档，例如：产品设计标准、生产标准、质量检验标准、库房……查看详情发布时间：2020.08.31来源：CSDN浏览量：229次
-
数据标准在数据资产管理中的意义
随着大数据的持续升温，数据资产管理近年来成为政府和企业领导层特别关注的领域。在谈数据的价值之前，必须先说清楚所谈论的数据资产都有那些，都……查看详情发布时间：2019.12.19来源：知乎浏览量：213次
-
-
营造“三大环境” 让数据说话 靠数据管理
《中国市场监管研究》：最近，江苏省工商局陆续发布消费环境指数、竞争环境指数、准入环境指数的研究报告，从领导批示、专家意见、社会反应来看，……查看详情发布时间：2019.02.15来源：数据管理浏览量：166次
-
杰出数据科学家的关键技能是什么？
学习如何应用不同的Python或R算法真的很简单：众所周知, 我们只需要修改一两行代码，就能将线性回归迁移到神经网络、SVM，或者你喜欢……查看详情发布时间：2019.02.14来源：亿信华辰浏览量：168次
-
中小银行数据治理工作所面临的问题
虽然各银行积极响应监管要求，开展数据治理工作，但《中小银行金融科技发展研究报告（2019）》显示中小银行的数据治理基本处于萌芽期，达91……查看详情发布时间：2020.07.09来源：小亿浏览量：289次
-
数栈：为数据治理而生
2018年5月21日，中国银保监会印发《银行业金融机构数据治理指引的通知》（银保监发〔2018〕22号），新规从征求意见到正式稿落地仅仅……查看详情发布时间：2019.01.04来源：NinGoo浏览量：237次
-
案例研究：亚利桑那州实施全州数据治理模型
亚利桑那州战略企业技术办公室（ADOA-ASET） - 亚利桑那州管理局状态数据管理架构师Jeff Wolkove和能力成熟度模型研究所……查看详情发布时间：2018.12.06来源：Amber Lee Dennis浏览量：189次
相关主题